ML Kit
ML Kit on Googlen ratkaisu räätälöityjen koneoppimismallien integroimiseen mobiilisovelluksiin, ja se otettiin käyttöön vuonna 2018 I/O-konferenssissa. ML Kit antaa Googlen laitteessa olevan koneoppimisinnovaation mobiilisovelluskehittäjille, jotta he voivat tehdä sovelluksiinsa räätälöityjä kokemuksia, jotka sisältävät työkaluja, kuten kielenkääntämistä, tekstintunnistusta, objektien tunnistusta jne. ML Kit auttaa tunnistamaan, analysoimaan ja ymmärtämään visuaalista ja tekstidataa reaaliaikaisesti ja käyttäjän yksityisyyden suojaa kunnioittaen, sillä tiedot pysyvät laitteessa. Googlen tuotehallintajohtajan mukaan ”se tekee koneoppimisesta paljon helpommin lähestyttävää.”
Kehittäjät voivat käyttää ML Kitin alla olevia Vision API:ita Video- ja kuva-analyysi API:ita kuvien merkitsemiseen ja viivakoodien, tekstin, kasvojen ja esineiden tunnistamiseen. Tätä voidaan käyttää erilaisiin edistyneisiin sovelluskehityksiin ja ML-integrointiin, kuten viivakoodien skannaukseen, kasvojen havaitsemiseen, kuvien merkitsemiseen, objektien havaitsemiseen ja seurantaan. Lisäksi on olemassa luonnollisen kielen käsittelyä koskevia sovellusliittymiä, joiden avulla voidaan tunnistaa ja kääntää 58 kieltä ja antaa vastausehdotuksia. Tämän seurauksena nykyään yli 25 000 Android- ja iOS-sovellusta hyödyntää ML Kitin ominaisuuksia.
ML Kitin alkuperäinen versio oli tiiviisti integroitu Firebaseen, ja joustavuuden lisäämiseksi sovelluksissa Google ilmoitti hiljattain tuovansa kaikki laitteessa olevat API:t saataville uudessa itsenäisessä ML Kit SDK:ssa, joka ei enää edellytä Firebase-projektia. Näin kehittäjät saavat käyttöönsä ainutlaatuiset edut, joita laitteessa oleva ML tarjoaa verrattuna pilvi-ML:ään.
Lataa mobiilisovelluksemme
Googlen mukaan, jos ML Kit ei täysin vastaa kehittäjien tarpeisiin, kehittäjät voivat etsiä vaihtoehtoisia malleja ja miten kouluttaa ja käyttää mukautettuja ML-malleja Android-sovelluksessaan. ”Jos valmiit ML-ratkaisut eivät vastaa tarpeitasi, TensorFlow Hubin pitäisi olla ensimmäinen vaihtoehto. Se on Googlen ja laajemman tutkimusyhteisön ML-mallien arkisto. Sivustolla olevat mallit ovat valmiita käytettäväksi pilvessä, verkkoselaimessa tai sovelluksessa laitteessa”, Googlen mukaan
Mitä muuta uutta?
Keskeisten visuaalisen näkemisen mallien, kuten MobileNetin ja EfficientNetin, lisäksi tietovarastossa on myös uusimpaan tutkimukseen perustuvia malleja, kuten viiniluokitus 400 000 suositulle viinille, yhdysvaltalaisten supermarkettien tuoteluokitus 100 000 tuotteelle, maamerkkien tunnistus maanosittain, Brain Accran kehittämä CropNet-malli, jolla voidaan tunnistaa maniokin lehtien taudit, sekä AgriPredictin kasvitautien tunnistus, joka havaitsee taudit maississa ja tomaattikasvissa.
Suuren perusmallivaraston ansiosta kehittäjät voivat myös kouluttaa omia mallejaan. Moniin yleisiin käyttötapauksiin on saatavilla kehittäjäystävällisiä työkaluja. Firebasen AutoML Vision Edgen lisäksi TensorFlow-tiimi lanseerasi aiemmin tänä vuonna TensorFlow Lite Model Makerin antaakseen kehittäjille enemmän valinnanvaraa perusmallin suhteen, joka tukee useampia käyttötapauksia. TensorFlow Lite Model Maker tukee tällä hetkellä kahta yleistä ML-tehtävää, jotka ovat tekstin ja kuvien luokittelu.
TensorFlow Lite Model Makeria voi ajaa omalla kehittäjäkoneella tai Google Colabin verkossa olevissa koneoppimisen muistikirjoissa. Jatkossa Android-tiimi aikoo parantaa nykyistä tarjontaa ja lisätä uusia käyttötapauksia.
Kehittäjät, jotka ovat valinneet mallin tai kouluttaneet mallinsa, saavat uusia helppokäyttöisiä työkaluja, joiden avulla ne voidaan integroida Android-sovellukseen ilman, että kaikkea tarvitsee muuntaa ByteArraysiksi, ML Model binding with Android Studio 4.1:n avulla. Näin kehittäjät voivat tuoda minkä tahansa TFLite-mallin, lukea mallin input/output-signatuurin ja käyttää sitä vain muutamalla koodirivillä, joka kutsuu avoimen lähdekoodin TensorFlow Lite Android Support Library -kirjastoa.
Tilaa uutiskirjeemme
Saa uusimmat päivitykset ja merkitykselliset tarjoukset jakamalla sähköpostiosoitteesi.